Sello Latente Incrusta Marcas de Agua Robustas Durante la Generación de Imágenes para Apoyar la Protección de Derechos de Autor

KNOXVILLE, TN, 27 de agosto de 2026 /24-7PressRelease/ -- Un equipo de investigación ha desarrollado Latent Seal, un marco de marcas de agua que coloca marcas de agua de imágenes de alta capacidad dentro del proceso de generación de modelos de difusión latente (LDM), en lugar de adjuntarlas después de que se crea una imagen. El enfoque está diseñado para ayudar a identificar contenido generado por inteligencia artificial (AIGC) y apoyar la verificación de derechos de autor sin degradar visiblemente la calidad de la imagen. Un codificador de espacio latente mezcla una marca de agua RGB (rojo-verde-azul) en la representación interna del modelo, mientras que un decodificador emparejado recupera la marca solo de imágenes protegidas. Las pruebas muestran que el método sigue siendo muy preciso después de ediciones y distorsiones comunes, ofreciendo una ruta práctica hacia sistemas de imágenes generativas más trazables y responsables.

Los sistemas de imágenes generativas ahora pueden producir imágenes realistas y variadas a escala industrial, pero la misma capacidad hace que la autoría y el origen sean más difíciles de verificar. Las marcas de agua convencionales de post-procesamiento son fáciles de implementar, pero permanecen separadas del modelo y pueden ser eliminadas o eludidas. Las técnicas dentro de la generación integran la protección más profundamente, pero muchas aún llevan información limitada o pierden fiabilidad después de compresión, recorte, rotación, ajuste de color o eliminación dirigida. El desafío central es, por lo tanto, preservar la calidad de la imagen mientras se hace que la información de procedencia sea lo suficientemente duradera para la circulación en línea real. Debido a estos desafíos, se necesita una investigación más profunda sobre métodos de marcas de agua que estén integrados en el proceso de generación, sean visualmente discretos y resistentes a la manipulación del mundo real.

Investigadores de la Universidad Politécnica de Macao, la Universidad Tecnológica de Guangdong, la Universidad de Jinan y el Instituto de Automatización de la Academia de Ciencias de China informaron (DOI: 10.1007/s11633-025-1620-y) el trabajo en Machine Intelligence Research el 17 de junio de 2026. Su estudio presenta Latent Seal, un marco codificador-decodificador desarrollado principalmente para servicios de difusión latente de código cerrado. Incrusta una marca de agua de imagen personalizada mientras se genera el contenido, luego verifica imágenes sospechosas extrayendo y comparando la marca recuperada con la referencia original del proveedor, permitiendo tanto la detección de contenido generativo como la verificación de derechos de autor.

El equipo construyó Latent Seal alrededor de Stable Diffusion 2.1 y ensambló 74,247 imágenes generadas y sus representaciones latentes a partir de prompts extraídos de DiffusionDB y JourneyDB. De estas, 69,247 imágenes se usaron para entrenamiento y 5,000 para pruebas. El sistema congela la red de denoising original, clona y ajusta finamente el decodificador del autoencoder variacional (VAE), e inserta un codificador de marcas de agua en un bloque de decodificación intermedio. Un decodificador separado aprende dos resultados: recuperar la marca de agua objetivo de imágenes protegidas y devolver una salida en blanco para imágenes no protegidas, reduciendo falsas detecciones.

Durante el entrenamiento, una capa de ataque simuló diez distorsiones comunes, incluyendo cambios de brillo, contraste y saturación, desenfoque, ruido, compresión, volteos, recortes y rotación. En pruebas de referencia, las imágenes con marca de agua alcanzaron una relación señal-ruido máxima de 44.29 decibelios y un índice de similitud estructural de 0.9933, mientras que las marcas de agua recuperadas lograron 39.19 decibelios, 0.9971 de similitud estructural y 0.9992 de correlación cruzada normalizada. Latent Seal también mantuvo la mejor calidad de extracción en cada ataque probado y añadió solo 7.33 milisegundos durante la incrustación y 2.26 milisegundos durante la extracción. Las pruebas en Stable Diffusion XL y Stable Diffusion 3.5 mostraron además un rendimiento consistente entre modelos y resoluciones de imagen.

Los autores dijeron que Latent Seal fue diseñado para hacer que la protección de procedencia sea parte de la creación de imágenes en lugar de un paso opcional añadido después. "El objetivo es preservar la calidad visual que los usuarios esperan mientras se brinda a los proveedores de modelos una forma práctica de verificar el origen después de que las imágenes hayan sido editadas o compartidas", dijeron. "Nuestros resultados sugieren que una fuerte recuperación de marcas de agua y un bajo impacto visual pueden lograrse juntos. El siguiente paso es mejorar la recuperación para marcas de agua visualmente complejas y hacer que el marco sea adaptable a nuevos diseños de marcas de agua sin volver a entrenar el sistema completo cada vez".

Latent Seal podría apoyar verificaciones de procedencia para generadores de imágenes comerciales, investigaciones en redes sociales, disputas de derechos de autor, moderación de contenido y gestión de activos digitales, particularmente donde los proveedores controlan el modelo subyacente. Su capacidad de llevar una imagen a todo color ofrece más capacidad de identificación que las firmas binarias simples, mientras que su resistencia a ediciones rutinarias podría ayudar a que las marcas sobrevivan al intercambio en línea ordinario. Sin embargo, el sistema actual debe ser reentrenado para cada nueva marca de agua, y la recuperación se vuelve moderadamente menos precisa a medida que las texturas y colores de las marcas de agua se vuelven más complejos. Por lo tanto, los investigadores proponen fusión de características en el dominio de la frecuencia y un adaptador ligero para marcas de agua arbitrarias. En la práctica, el método funcionaría mejor junto con políticas de divulgación, estándares de metadatos y otras herramientas de autenticación de contenido, en lugar de como una garantía independiente.

Referencias
DOI
10.1007/s11633-025-1620-y

URL de la fuente original
https://doi.org/10.1007/s11633-025-1620-y

Información de financiación
Este trabajo fue financiado por el Fondo de Desarrollo de Ciencia y Tecnología de la Región Administrativa Especial (RAE) de Macao, China (No. 0053/2025/RIB2), y por la Universidad Politécnica de Macao, China (No. RP/FCA-04/2024).

Acerca de Machine Intelligence Research
Machine Intelligence Research (título original: International Journal of Automation and Computing) es publicado por Springer y patrocinado por el Instituto de Automatización de la Academia de Ciencias de China. La revista publica artículos de alta calidad sobre investigación teórica y experimental original, apunta a números especiales sobre temas emergentes y se esfuerza por cerrar la brecha entre la investigación teórica y las aplicaciones prácticas.

Chuanlink Innovations, donde las ideas revolucionarias encuentran su verdadero potencial. Nuestro nombre, arraigado en la esencia de la transmisión y la conexión, refleja nuestro compromiso de fomentar la innovación y facilitar el viaje de las ideas desde su concepción hasta su realización.

Enlace relacionado:
http://chuanlink-innovations.com

Descargo de responsabilidad: Esta traducción ha sido generada automáticamente por NewsRamp™ para 24-7 Press Release (colectivamente referidos como "LAS EMPRESAS") utilizando plataformas de inteligencia artificial generativas de acceso público. LAS EMPRESAS no garantizan la exactitud ni la integridad de esta traducción y no serán responsables por ningún error, omisión o inexactitud. La confianza en esta traducción es bajo su propio riesgo. LAS EMPRESAS no son responsables por ningún daño o pérdida resultante de tal confianza. La versión oficial y autoritativa de este comunicado de prensa es la versión en inglés.